VŠB-Technická univerzita Ostrava

VŠB-Technická univerzita Ostrava Ekonomická fakulta WD-55-07-1 Regionální disparity v územním rozvoji ČR jejich vznik, identifikace a eliminace PS 2 Pavel Tuleja APLIKACE VYBRANÝCH METOD SLEDOVÁNÍ A HODNOCENÍ REGIONÁLNÍCH DISPARIT Případová studie Ostrava, prosinec 2009

Řešitel: doc. Ing. Pavel Tuleja, Ph.D. ANOTACE Studie Aplikace vybraných metod sledování a hodnocení regionálních disparit je případovou studií, která ukazuje moţnost uplatnění zvolených matematicko-statistických metod při hodnocení regionálních disparit v České republice. Vlastní studie tak nejprve předkládá stručné shrnutí všech navrţených metod hodnocení regionálních disparit a následně se zaměřuje na problematiku uplatnění vybraných metod na praktickém příkladu vývoje jednotlivých regionů České republiky v letech 2000-2008. Analytická část je rozčleněna do dvou samostatných kapitol, v nichţ je nejprve stručně popsán vývoj vybraných indikátorů, přičemţ jsou čtenáři upozorněni na základní problémové oblasti spojené buďto s nedostatkem dat nebo s nedostatečně vyjádřenými disparitami, a následně je s pomocí metody normované proměnné a bodové metody vyhodnocen vývoj ve 14 krajích České republiky. Tato analýza pak slouţí jako základ pro nalezení odpovědi, zda lze námi navrţené metody vyuţít pro hodnocení regionálních disparit či nikoliv. ABSTRACT The research study is a case study for the assessment of regional disparities of Central The study "Application of selected methods for monitoring and evaluation of regional disparities is a case study that shows the potential application of selected mathematical and statistical methods in the evaluation of regional disparities in the Czech Republic. Own the first study presents a brief summary of the proposed methods of assessing regional disparities, and then focuses on the issue of applying selected methods to the practical example of development of individual regions of the Czech Republic in the years 2000-2008. The analytical part is divided into two separate chapters, in which briefly describes the development of selected indicators, and readers are reminded of the basic problem areas related either to the lack of data or poorly expressed disparities, and then using the standardized method and point method of variable evaluated development in 14 regions of the Czech Republic. This analysis will serve as a basis for finding an answer to whether our proposed method can be used to assess regional disparities or not. 2

OBSAH OBSAH... 3 ÚVOD... 5 1. TEORETICKO-METODOLOGICKÁ VÝCHODISKA PRO HODNOCENÍ REGIONÁLNÍCH DISPARIT... 7 1.1 MĚŘENÍ REGIONÁLNÍCH DISPARIT Z HLEDISKA METODIKY... 7 1.2 FÁZE 1: IDENTIFIKACE A KVANTIFIKACE PROMĚNNÝCH... 8 ŠKÁLOVACÍ TECHNIKY... 8 METODA SEMAFORU... 11 1.3 FÁZE 2: TVORBA A VÝPOČET INDIKÁTORU REGIONÁLNÍCH DISPARIT... 12 PRŮMĚRNÁ ODCHYLKA... 12 BODOVÁ METODA... 14 METODA NORMOVANÉ PROMĚNNÉ... 16 METODA VZDÁLENOSTI OD FIKTIVNÍHO BODU... 16 METODA SOUHRNNÉHO INDEXU... 17 2. ANALÝZA VÝVOJE REGIONŮ ČESKÉ REPUBLIKY V LETECH 2000-2008... 19 2.1 SOCIÁLNÍ SFÉRA... 19 ŢIVOTNÍ ÚROVEŇ... 20 ZDRAVOSTNÍ STAV... 23 SOCIÁLNÍ VYBAVENOST... 26 BYDLENÍ... 30 SOCIÁLNÍ PATOLOGIE... 32 2.2 EKONOMICKÁ SFÉRA... 35 EKONOMICKÝ POTENCIÁL... 36 EKONOMICKÝ STRUKTURA... 39 ZAMĚSTNANOST... 43 ROZVOJOVÝ POTENCIÁL... 47 2.3 ÚZEMNÍ SFÉRA... 51 OSÍDLENÍ... 52 ŢIVOTNÍ PROSTŘEDÍ... 55 DOPRAVNÍ INFRASTRUKTURA... 59 TECHNICKÁ INFRASTRUTURA... 62 3. ZHODNOCENÍ DISPARIT POMOCÍ NAVRŽENÝCH METOD... 66 3.1 INTEGROVANÉ INDIKÁTORY REGIONÁLNÍCH DISPARIT... 66 INTEGROVANÝ INDIKÁTOR ŢIVOTNÍ ÚROVEŇ (INI1)... 66 INTEGROVANÝ INDIKÁTOR ZDRAVOTNÍ STAV (INI2)... 69 INTEGROVANÝ INDIKÁTOR SOCIÁLNÍ VYBAVENOST (INI3)... 71 INTEGROVANÝ INDIKÁTOR BYDLENÍ (INI4)... 72 INTEGROVANÝ INDIKÁTOR SOCIÁLNÍ PATOLOGIE (INI5)... 75 INTEGROVANÝ INDIKÁTOR EKONOMICKÝ POTENCIÁL (INI6)... 77 INTEGROVANÝ INDIKÁTOR EKONOMICKÁ STRUKTURA (INI7)... 79 3

INTEGROVANÝ INDIKÁTOR ZAMĚSTNANOST (INI8)... 81 INTEGROVANÝ INDIKÁTOR ROZVOJOVÝ POTENCIÁL (INI9)... 83 INTEGROVANÝ INDIKÁTOR OSÍDLENÍ (INI10)... 85 INTEGROVANÝ INDIKÁTOR ŢIVOTNÍ PROSTŘEDÍ (INI11)... 86 INTEGROVANÝ INDIKÁTOR DOPRAVNÍ INFRASTRUTURA (INI12)... 88 INTEGROVANÝ INDIKÁTOR TECHNICKÁ INFRASTRUTURA (INI13)... 90 INTEGROVANÝ INDIKÁTOR KVALITA ŢIVOTA (INI14)... 92 3.2 KOMPARACE VÝSLEDKŮ INDIKÁTORŮ REGIONÁLNÍCH DISPARIT... 94 KOMPARACE INTEGROVANÝCH INDIKÁTORŮ SOCIÁLNÍ SFÉRY... 94 KOMPARACE INTEGROVANÝCH INDIKÁTORŮ EKONOMICKÉ SFÉRY... 95 KOMPARACE INTEGROVANÝCH INDIKÁTORŮ ÚZEMNÍ SFÉRY... 97 ZÁVĚR... 99 PŘÍLOHA... 101 INTEGROVANÝ INDIKÁTOR ŢIVOTNÍ ÚROVEŇ (INI1) ŘAZENÍ DLE PRŮMĚRU... 101 INTEGROVANÝ INDIKÁTOR ZDRAVOTNÍ STAV (INI2) ŘAZENÍ DLE PRŮMĚRU... 102 INTEGROVANÝ INDIKÁTOR SOCIÁLNÍ VYBAVENOST (INI3) ŘAZENÍ DLE PRŮMĚRU... 103 UPRAVENÝ INTEGROVANÝ INDIKÁTOR BYDLENÍ (UINI4) ŘAZENÍ DLE PRŮMĚRU... 104 INTEGROVANÝ INDIKÁTOR SOCIÁLNÍ PATOLOGIE (INI5) ŘAZENÍ DLE PRŮMĚRU... 105 INTEGROVANÝ INDIKÁTOR EKONOMICKÝ POTENCIÁL (INI6) ŘAZENÍ DLE PRŮMĚRU... 106 UPRAVENÝ INTEGROVANÝ INDIKÁTOR EKONOMICKÁ STRUKTURA (INI7) ŘAZENÍ DLE PRŮMĚRU... 107 INTEGROVANÝ INDIKÁTOR ZAMĚSTNANOST (INI8) ŘAZENÍ DLE PRŮMĚRU... 108 INTEGROVANÝ INDIKÁTOR ROZVOJOVÝ POTENCIÁL (INI9) ŘAZENÍ DLE PRŮMĚRU... 109 INTEGROVANÝ INDIKÁTOR OSÍDLENÍ (INI10) ŘAZENÍ DLE PRŮMĚRU... 110 INTEGROVANÝ INDIKÁTOR ŢIVOTNÍ PROSTŘEDÍ (INI11) ŘAZENÍ DLE PRŮMĚRU... 111 INTEGROVANÝ INDIKÁTOR DOPRAVNÍ INFRASTRUTURA (INI12) ŘAZENÍ DLE PRŮMĚRU... 112 INTEGROVANÝ INDIKÁTOR TECHNICKÁ INFRASTRUTURA (INI13) ŘAZENÍ DLE PRŮMĚRU... 113 INTEGROVANÝ INDIKÁTOR KVALITA ŢIVOTA (INI14) ŘAZENÍ DLE PRŮMĚRU... 114 SOUHRNNÝ INTEGROVANÝ INDIKÁTOR EKONOMICKÁ SFÉRA ŘAZENÍ DLE PRŮMĚRU... 115 SEZNAM TABULEK... 116 LITERATURA... 122 4

ÚVOD Jednou z oblastí, jeţ byla v předchozích dvou letech řešena v rámci výzkumného úkolu WD- 55-07-1: Regionální disparity v územním rozvoji ČR jejich vznik, identifikace a eliminace byla problematika metod určených pro sledování a následné hodnocení regionálních disparit. V předchozích letech byly v rámci tohoto výzkumu zodpovědnými řešiteli publikovány v této oblasti následující stati a výzkumné zprávy: TULEJA, P.: Návrh metod měření regionálních disparit v územním rozvoji České republiky. Výzkumná zpráva pro projekt WD-55-07-01: Regionální disparity v územním rozvoji ČR jejich vznik, identifikace a eliminace. Ostrava: EkF VŠB-TU, 2007. 22 s., TULEJA, P.: Metody hodnocení regionálních disparit v ČR. In: Teorie, identifikace, klasifikace a hodnocení regionálních disparit. Průběţná výzkumná zpráva. Výzkumná zpráva pro projekt WD-55-07-01: Regionální disparity v územním rozvoji ČR jejich vznik, identifikace a eliminace. Ostrava: EkF VŠB-TU, 2008. s. 34-39, TULEJA, P.: Metody měření regionálních disparit v územním rozvoji České republiky. Regionální disparity. Working Papers No. 3, Prosinece 2008. Ostrava: EkF VŠB-TU, 2008. s. 15-33. ISSN: 1802-9450, TULEJA, P.: Moţnosti měření regionálních disparit nový pohled. REGIONÁLNÍ DISPARITY jejich pojetí, klasifikace a měření. Sborník z mezinárodní vědecké konference. Ostrava: EkF VŠB-TU, 2008. s. 1-10. ISBN 978-80-248-1890-0, TULEJA, P.: Moţnosti měření regionálních disparit nový pohled. Regionální disparity. Working Papers No. 5, Květen 2009. Ostrava: EkF VŠB-TU, 2009. s. 62-70. ISSN: 1802-9450, TULEJA, P.: Moţnosti měření regionálních disparit. Liberecké ekonomické fórum 2009. Sborník z mezinárodní vědecké konference. Liberec: TU Liberec, 2009, a TULEJA, P.: Regionální disparity a moţnost jejich měření. Nové trendy nové nápady 2009. Sborník z mezinárodní vědecké konference. Znojmo: SVŠE, 2009. Obsahem těchto výstupů byla deskripce a následné nalezení metod hodnocení regionálních disparit. Určitým završením této dvouleté práce je pak předloţená případová studie, jejímţ cílem je nastínit moţnosti vyuţití námi vybraných statisticko-matematických metod při sledování a hodnocení regionálních disparit, a to na konkrétním vzorku čtrnácti krajů České republiky za časový úsek vymezený lety 2000 a 2008. Předloţená studie by tak měla nalézt odpověď na otázku, zda je moţno níţe uvedené vybrané metody vyuţít při hodnocení regionálních disparit a zda námi dosaţené výsledky odpovídají všeobecně přijímaným předpokladům. 5

Jak jiţ bylo naznačeno výše, předmětem této analýzy bude čtrnáct krajů České republiky, na nichţ budeme moci dobře demonstrovat nejen námi zvolené metody, ale také dostupnost, resp. nedostupnost všech potřebných statistických dat. V prvé části této studie nazvané Teoreticko-metodologická východiska pro hodnocení regionálních disparit, tak budou postupně představeny všechny námi vybrané stastickomatematické metody vhodné pro hodnocení meziregionálních rozdílů. Postupně tak budou představeny následující metody: škálovací techniky, metoda semaforu, průměrná odchylka, bodová metoda, metoda normované proměnné, metoda vzdálenosti od fiktivního bodu a metoda souhrnného indexu. V jednotlivých subkapitolách budou výše uvedené metody podrobněji představeny, přičemţ budou vyzdvihnuty jak jejich klady, tak jejich moţné zápory. V závěru této části pak z těchto sedmi metod zvolíme dvě aţ tři metody, jeţ budou plně vyhovovat našemu pojetí sledování a hodnocení regionálních disparit. Druhá, analytická část studie, tj. kapitoly Analýza vývoje regionů České republiky v letech 2000-2008 a Zhodnocení disparit pomocí navrţených metod pak bude věnována praktickému vyuţití vybraných metod. V rámci kapitoly 2 se tak zaměříme na výchozí analýzu těch indikátorů z oblasti sociální, ekonomické a územní sféry, jeţ budou součástí námi navrţených integrovaných indikátorů. Při vlastní analýze pak bude vyuţita metoda semaforu, jiţ povaţujeme za metodu významnou pro fázi identifikace a kvantifikace proměnných. Za určité vyvrcholení této studie pak povaţujeme třetí kapitolu, jeţ bude věnována zhodnocení regionálních disparit v České republice pomocí námi zvolených metod. Kaţdý z námi navrţených integrovaných indikátorů bude vypočten pomocí dvou námi zvolených metod, přičemţ bude v textu a následně také v přílohách stanoveno, zda se pořadí jednotlivých krajů při vyuţití různých metod shoduje či liší. Naší snahou bude také nalézt příčiny těchto odlišností. Z důvodu vypovídací schopnosti pak budou v rámci této studie vypočteny pouze ty integrované indexy, v jejichţ případě budou mít řešitelé k dispozici všechna dostupná data, a to jak pro všechny sledované kraje, tak pro všechny dílčí indikátory, jeţ budou součástí indikátorů integrovaných. Nebudou-li daná data v rámci veřejně dostupných databází Českého statistického úřadu, Regionálního informačních systému či jednotlivých ministerstev k dispozici, pak daný integrovaný indikátor buďto nebude vypočten vůbec, nebo, pokud nám to situace umoţní, bude vypočten jako upravený integrovaný indikátor, coţ bude patrné z jeho označení. 6

1. TEORETICKO-METODOLOGICKÁ VÝCHODISKA PRO HODNOCENÍ REGIONÁLNÍCH DISPARIT V našem pojetí je za regionální disparity povaţována jakákoliv rozdílnost, jejíţ měření a následné srovnání má svůj smysl a své opodstatnění. Dá se tedy říci, ţe náš pohled na tuto problematiku je poměrně široký, coţ můţe být do jisté míry zavádějící. Cílem našeho výzkumu je proto poskytnout managementu municipalit takové informace, které mu umoţní zlepšit stav jeho poznání o jednotlivých regionech a na základě tohoto poznání následně také určit postavení jednotlivých regionů v rámci České republiky. Tyto závěry by pak příslušným subjektům měly usnadnit realizaci jednotlivých kroků, jeţ budou mít na daný region nejen krátkodobé, ale zejména střednědobé a dlouhodobé pozitivní účinky. 1.1 MĚŘENÍ REGIONÁLNÍCH DISPARIT Z HLEDISKA METODIKY Náš přístup k měření regionálních disparit sebou nese dvě zásadní otázky, které se týkají jednak indikátorů, jichţ lze vyuţít k hodnocení regionálních rozdílů, a jednak metod, s jejichţ pomocí lze vypočíst souhrnné indikátory, které budou mít při tomto hodnocení rozhodující roli. Vzhledem k tomu, ţe od samého počátku jsme nalezení odpovídajících metod povaţovali za jeden z prioritních cílů našeho výzkumu, jeví se nám jako vhodné, abychom v úvodní části této případové studie popsali všechny metody, jeţ jsou, dle našeho názoru, při hodnocení regionálních disparit pouţitelné. Při hledání vhodných statisticko-matematických metod, s jejichţ pomocí lze kvalifikovaně a přitom poměrně jednoduše zhodnotit ty tendence a vývojové trendy, které se prosazují v jednotlivých regionech a jeţ následně vedou buďto k prohlubování, nebo naopak ke zmírňování regionálních disparit, jsme svou činnost rozfázovali do následujících pěti dílčích kroků: krok 1 studium odborné literatury zaměřené na problematiku metod měření, krok 2 výběr metod vhodných pro konstrukci integrovaných indikátorů regionálních disparit, krok 3 identifikace a kvantifikace vybraného vzorku indikátorů popisujících jednotlivé sféry (sféru sociální, ekonomickou a územní), krok 4 konstrukce vzorových integrovaných indikátorů regionálních disparit, a to včetně podrobného popisu jejich výpočtu a krok 5 diskuse nad průběţnými výsledky a výběr dvou, max. tří nejvhodnějších metod, jeţ budou následně dále rozpracovány a vyuţity při hodnocení regionálních disparit, jak na území České republiky, tak ve vybraných zemích Evropské unie. 7

V průběhu realizace těchto pěti základních kroků, jsme postupně dospěli k závěru, ţe z hlediska měření regionálních disparit se jako nejvhodnější jeví sedm základních metod, mezi něţ řadíme metodu průměrné odchylky, bodovou metodu, metodu normované proměnné, metodu vzdálenosti od fiktivního bodu, metodu souhrnného indexu, metodu semaforu a metodu zaloţenou na škálovacích technikách. Při podrobnější analýze všech sedmi výše uvedených metod jsme zjistili, ţe kaţdá z nich má svá pro a proti, přičemţ moţnost jejich vyuţití v praxi závisí nejen na míře obtíţnosti, s níţ lze jednotlivé souhrnné indikátory zkonstruovat, ale také na souboru pouţitých statistických indikátorů, neboť některé z těchto metod vylučují pouţití indikátorů kvalitativního charakteru. Porovnáme-li tyto metody navzájem, pak musíme konstatovat, ţe pro fázi identifikace a kvantifikace proměnných se jako nejvhodnější jeví pouţít metodu škálování, popř. její specifickou formu, jíţ je metoda semaforu, neboť s jejich pomocí lze jednotlivé indikátory rozčlenit do větších celků, coţ jednotlivým analytikům umoţní získat o analyzovaném souboru statistických dat mnohem lepší přehled. Naopak pro fázi výpočtu souhrnných indikátorů se jako vhodnější jeví vyuţití jedné z pěti zbývajících statisticko-matematických metod. Vzhledem k tomu, ţe v tomto případě je výběr jednotlivých metod poměrně široký, jeví se nám jako nejvhodnější kritérium pro výběr konkrétního postupu jak nepříliš velká výpočetní náročnost, tak vypovídací schopnost takto vypočteného souhrnného indikátoru. Dá se tedy říci, ţe v průběhu této fáze výzkumu před námi vyvstala jedna zásadní otázka, a to kterou z výše uvedených metod zvolit jako nejvhodnější. Ačkoliv konkrétní rozhodování bylo poměrně obtíţné, ve finální fázi této části výzkumu jsme se rozhodli pro dvě konkrétní metody, a to metodu normované proměnné a metodu bodovou. Přesto se nám jeví jako vhodné popsat všech sedm námi zvolených metod, neboť pouze v tomto případě se mohou zcela jednoznačně projevit veškeré klady a zápory jak námi zvolených metod, tak těch postupů, jejichţ vyuţití při výpočtu jednotlivých indikátorů se nám jeví jako nevhodné. 1.2 FÁZE 1: IDENTIFIKACE A KVANTIFIKACE PROMĚNNÝCH ŠKÁLOVACÍ TECHNIKY Škálování je v odborné literatuře věnující se problematice měření ekonomických veličin definováno: buďto jako soubor metod, procedur a technik, jeţ analytikům umoţňují vytvořit libovolnou škálu. Součástí tohoto procesu je pak nejen uspořádání jednotlivých indikátorů, ale také jejich očíslování. Vyuţívají-li analytici této metody, pak zpravidla hovoříme o škálovacích procedurách, resp. škálovacích technikách. nebo jako skutečný proces měření, tj. proces, v jehoţ rámci jsou škálovány hodnoty, jeţ jsou v praxi jen velmi obtíţně měřitelné. V tomto případě zpravidla hovoříme o kvalitativním měření příslušných veličin. Tento přístup k problematice škálování je poměrně často vyuţíván v psychologii a sociologii. Při vlastním hodnocení regionálních disparit by mělo jeho vyuţití význam pouze tehdy, pokud bychom do hodnocení regionálních rozdílů zahrnuli také indikátory, které jsou postaveny na čistě kvalitativní bázi. Zde je však 8

zapotřebí říci, ţe tento přístup není odbornou veřejností příliš doporučován, neboť zde můţe docházet k výraznému zkreslování výsledků, které můţe být zapříčiněno určitou subjektivitou výzkumníků (subjektivní ocenění hodnoty můţe vést k výraznému poškození jednoho regionu). Tuto šalovací techniku pak zpravidla označujeme jako škálování. Vyjdeme-li z výše uvedeného, pak dospějeme k závěru, ţe z pohledu výzkumu regionálních disparit se jako pouţitelnější jeví škálovací techniky, jejichţ prostřednictvím jsme schopni porovnávat údaje, které jsou zaloţené nejen na metrické, ale také na nemetrické bázi. Vyjdeme-li v tomto okamţiku z názoru odborníků, pak dospějeme k závěru, ţe při měření regionálních disparit hrají škálovací procedury stejnou roli, jako měřící procedury v případě fyzikálního měření. Tento pohled na věc je pak spojen především s procedurou očíslování, jiţ můţeme uplatnit buďto na jednotlivé indikátory, nebo na jejich skupiny. Pojďme si proto nyní tuto proceduru popsat poněkud podrobněji. Vyuţijeme-li v praxi techniku očíslování, pak postupujeme tak, ţe jednotlivým hodnotám námi zvolených indikátorů přiřadíme konkrétní čísla, mezi nimiţ neexistuje ţádný numerický vztah. Dá se tedy říci, ţe pokud hodnotě určitého indikátoru v regionu A přiřadíme číslo 1, kdeţto hodnotě téhoţ indikátoru v regionu B číslo 6, pak to neznamená, ţe je příslušný indikátor v regionu B šestkrát horší, popř. lepší neţ v regionu A. Naopak, tyto číselné hodnoty pouze signalizují, ţe v rámci námi sledovaných regionů má indikátor v regionu A přiřazeno číslo 1, zatímco indikátor v regionu B číslo šest. Za výhodu tohoto přístupu můţeme označit jeho poměrně dobrou přehlednost a bezproblémovou rozšířitelnost analyzované skupiny, jeţ je dána tím, ţe při zvýšení počtu sledovaných indikátorů není zapotřebí provádět dodatečné propočty hodnot jednotlivých indexů. Na druhé straně je však zapotřebí zdůraznit, ţe tuto techniku nelze povaţovat za druh měření, coţ znamená, ţe s její pomocí nemůţeme dospět ke konkrétním kvantitativním údajům. Ačkoliv dle našeho názoru, nelze pomocí metody očíslování dospět ke konkrétnímu indikátoru, objevují se v odborné literatuře také zcela opačné názory, k nimţ můţeme zařadit např. Stevensenovo pojetí. V tomto přístupu k technice očíslování autor předpokládá, ţe přiřazování čísel není pouze podstatným znakem definice pojmu, ale také jeho významnou charakteristikou. Na druhé straně se však objevuje celá řada názorů odborníků, kteří problematiku škálování spojují pouze s vyuţíváním topologických, tj. nemetrických škál, z čehoţ vyplývá, ţe metodu očíslování vlastně ani nepovaţují za škálovací metodu. Pokud se na škálovací techniky podíváme optikou odborníků věnujících se problematice měření, pak dospějeme k závěru, ţe tuto metodu můţeme označit za samostatný vědecký postup spojený jak s kvantitativními aspekty, tak s topologickými prvky. Problematiku škálování tak můţeme označit za určitý předstupeň měření, jenţ slouţí k tomu, aby vymezil topologické podmínky. Můţeme tedy říci, ţe ze skupiny škálovacích procedur lze při hodnocení regionálních disparit vyuţít pouze ty postupy, které umoţňují vytvářet nemetrické škály námi zvolených indikátorů. Jinými slovy řečeno, pokud bychom v rámci námi realizovaného výzkumu vyuţili při hodnocení meziregionálních rozdílů metodu očíslování, pak by finálním výsledkem byla pouze jakási pseudokvantifikace regionální disparit. Na základě výše řečeného jsme tak dospěli k závěru, ţe v případě konkrétní kvantifikace disparit bychom měli pouţít spíše některou z níţe uvedený matematicko-statistických metod 9

a metodu škálování bychom měli vyuţít pouze k sestavení takových třídících škál, jeţ by nám umoţnily lépe kvantifikovat námi zvolená kritéria. V našem případě tak pod pojmem třídící škála rozumíme přehled obměn tříděného znaku, který vymezuje hloubku třídění a tvářnost budoucích skupin indikátorů, na něţ se námi analyzované regiony rozpadnou a jeţ by měly být totoţné se třemi výše uvedenými sférami. Pokud budeme k tomuto třídění indikátorů vyuţívat kvantitativních znaků, pak budeme takto vzniklé skupiny označovat jako třídy, kdeţto v okamţiku, kdy k jejich třídění vyuţijeme kvalitativních znaků, nebudeme jiţ hovořit o třídách, nýbrţ o kategoriích. Vyjdeme-li z výše uvedeného, pak je zcela evidentní, ţe při sestavování vlastní třídící škály je zapotřebí, aby příslušný analytik sestavil nejen seznam jednotlivých indikátorů, ale aby také přesně a zcela jednoznačně tyto indikátory definoval, a to bez ohledu na to, zda spadají do kategorie nebo třídy. Pokud bude tento postup dodrţen, pak zbývá jiţ jen krok k tomu, aby vlastní třídící škála byla sestavena tak, aby analytikem navrţené třídění bylo zcela jednoznačné, úplné, přehledné a v neposlední řadě také dostatečně podrobné. V případě, ţe jsou při hodnocení regionální disparit tříděny pouze kvantitativní indikátory, hovoříme o kvantitativních škálách, popř. stupnicích. V tomto okamţiku jsou jednotlivé indikátory do příslušných tříd řazeny dle třídících intervalů zvolené škály. Tyto intervaly jsou zpravidla stanoveny hranicemi, které musí být definovány tak, aby nebylo moţno pochybovat o zařazení mezních hodnot do příslušné škály. V praxi jsou pro tyto případy vyuţívány dva postupy: u nespojitých znaků je tento problém zpravidla vyřešen stanovením nejniţší a nejvyšší hodnoty, coţ z příslušného intervalu činí interval uzavřený. Pokud by byla analytiky stanovena pouze jedna mez, pak bychom tento interval označili za interval otevřený. u spojitých znaků je tento postup poněkud komplikovanější. Také v tomto případě se však nejčastěji vyuţívá metoda, jeţ je velmi podobná výše popsané situace, s tím rozdílem, ţe v tomto okamţiku se bere v potaz zaokrouhlování. Pokud jsou při tvorbě škál vyuţívány kvantitativní znaky, pak je v odborné literatuře zpravidla doporučováno vytvořit 10 aţ 12 tříd, přičemţ tento počet by na jedné straně neměl klesnout pod šest tříd a na straně druhé by neměl přesáhnout tříd dvacet. Při vlastním stanovování počtu skupin se velmi často vyuţívá Sturgesovo pravidlo, coţ je empirická norma pro určení vhodného počtu skupin při roztřídění statistického souboru do intervalového rozdělení četnosti. Je-li X rozsah souboru (počet indikátorů), pak počet skupin (S) určíme pomocí následující rovnice: S 1 3,3 log X (1) Z výše uvedené rovnice je tedy zřejmé, ţe pokud k rozdělení souboru indikátorů do jednotlivých tříd vyuţijeme Sturgesovo pravidlo, pak musíme automaticky vycházet z předpokladu, ţe klasifikační škála má všechny třídní intervaly stejné. To však v ţádném případě nevylučuje moţnost vyuţít při členění příslušné skupiny metody, které jsou zaloţeny na nerovnosti třídních intervalů. 10

U kvalitativních znaků zařazujeme příslušné indikátory do jednotlivých kategorií, které jsou sestavy dle definic stupňů zvolené škály. Vzhledem k tomu, ţe tvůrcem této škály je příslušný analytik, je zde nutno podotknout, ţe vlastní vymezení jednotlivých skupin vyţaduje poměrně pečlivou úvahu, která je spojena nejen s nalezením typických rysů určitého procesu, ale také se zjištěním a měřením pravidelnosti jejich výskytu. Za hlavní úkol analytika v průběhu sestavování kvalitativních škál tak můţeme označit vymezení obsahu určité kategorie jak z pozitivního (co zde patří), tak z negativního (co zde nepatří) hlediska. Při vlastní konstrukci kvalitativních škál je pak za ideální povaţována situace, v níţ výzkumníci vycházejí z přirozeně, či ještě lépe samovolně vzniklých skupin analyzovaných indikátorů, přičemţ k zařazení jednotlivých indikátorů do takto vzniklých skupin dochází buďto na základě taxativního vyjmenování mezních případů a návodu na jejich zařazení, nebo prostřednictvím deklaratorní metody, jeţ je zaloţena na subjektivních názorech analytika, popř. metodou nepřímého (kvantitativního) znaku. Zatímco u kvantitativních škál existují jednoznačně stanovená obecná pravidla pro hloubku a podrobnost třídění analyzovaných indikátorů, u kvalitativního škálování bychom tato pravidla stanovovali jen velmi obtíţně. Současně však musíme poznamenat, ţe neexistence těchto pravidel nemusí být na škodu, neboť zbytečně velký počet elementárních skupin zpravidla vede k výrazné atomizaci souboru a sniţuje přehlednost jednotlivých výsledků. Můţeme tedy říci, ţe analytikem stanovené skupiny by se měly vyznačovat co moţná nejmenší variabilitou a homogenitou klasifikace, čím je zabezpečena shodnost členění indikátorů do jednotlivých tříd. METODA SEMAFORU Specifickou podobou škálování je metoda semaforu, jeţ se svým pojetím poměrně výrazně přibliţuje proceduře očíslování. Na rozdíl od této procedury, však v tomto případě nejsou jednotlivým hodnotám indikátorů přiřazena konkrétní čísla, ale specifické symboly, které navíc odpovídají určité procentuální úrovni sledovaného indikátoru. Tyto symboly mají nejčastěji podobu tří kruhů v barvách světel semaforu, od čehoţ je také odvozen název této metody. Vyjdeme-li z tohoto jednoduchého principu, pak je zřejmé, ţe pokud regionu A přiřadíme červený kruh, regionu B kruh ţlutý a regionu C kruh zelený, pak pomocí této metody budeme schopni určit přibliţné rozdíly mezi jednotlivými regiony, ale současně nebudeme schopni stanovit konkrétní úroveň regionu C jak vůči regionu B, tak vůči regionu A. Dá se tedy říci, ţe podobně jako v případě škálovacích technik, také u této metody je její významnou devizou zejména její dobrá přehlednost, rychlost a bezproblémová vyuţitelnost při analyzování různě širokých skupin indikátorů. Pro praktické vyuţití metody semaforu při hodnocení regionálních disparit se v současnosti jako ideální nástroj jeví tabulkový procesor Microsoft Office Excel 2007, jehoţ součástí je funkce podmíněného formátování, jeţ je ve své podstatě postavena právě na principu metody semaforu. Tento software tak můţeme vyuţít k poměrně jednoduchému a rychlému sestavení některé z níţe uvedený hodnotících škál: dvoubarevná škála, jeţ nabízí moţnost barevného odlišení indikátorů od minimální hodnoty k hodnotě maximální, k čemuţ vyuţívá dvou barev, jejichţ intenzita se mění dle toho, jak se mění hodnota příslušného indikátoru, 11

tříbarevná škála, která umoţňuje skupinu indikátorů roztřídit prostřednictvím tří barev (zpravidla zelené, ţluté a červené), přičemţ střední barva (ţlutá) odpovídá percentilu 50, datová čára, v jejímţ případě jsou jednotlivé hodnoty indikátorů odlišeny na základě délky příslušné datové čáry, škála vyjádřená pomocí sady ikon, s jejíţ pomocí jsou k očíslování indikátorů vyuţívány sady ikon, které mohou být buďto tří objektové (indikátory jsou rozčleněny dle kritéria 67 %, 33 % a < 33 %), čtyř objektové (členění 75 %, 50 %, 25 % a < 25 %) či dokonce pěti objektové (výchozím kritériem jsou procentní hodnoty 80 %, 60 %, 40 %, 20 % a < 20 %). Jak jsme jiţ uvedli výše, metoda semaforu je ve své podstatě specifickou podobou škálovacích technik, coţ z ní činí ideální nástroj pro konstrukci nemetrických škál, jeţ lze úspěšně vyuţít při výběru indikátorů tvořících jednotlivé souhrnné indikátory regionálních disparit. 1.3 FÁZE 2: TVORBA A VÝPOČET INDIKÁTORU REGIONÁLNÍCH DISPARIT PRŮMĚRNÁ ODCHYLKA Metoda průměrné odchylky vyjadřuje míru variability definovanou jako aritmetický průměr absolutních odchylek jednotlivých hodnot sledovaných indikátorů od určité zvolené hodnoty. Vyjdeme-li z této definice, pak dospějeme k závěru, ţe v rámci této techniky výpočtu souhrnného indikátoru vycházíme z principu absolutních odchylek, tj. odchylek, v jejichţ případě nehraje ţádnou roli znaménko. Vyuţití tohoto přístupu se do jisté míry můţe jevit jako samoúčelné, avšak ve skutečnosti tomu tak není, neboť tímto způsobem z analyzovaného souboru odstraníme problémy, které vznikají vzájemným kompenzováním kladných a záporných odchylek. Vlastní hodnotu průměrné odchylky můţeme určit třemi způsoby. Buďto jako neváţenou hodnotu absolutní průměrné odchylky: d i p i 1 x x i n i (2) kde: d i odchylka i-tého indikátoru x aritmetický průměr indikátoru x i i-tý indikátor n i počet hodnot i-tého indikátoru, jeţ máme k dispozici 12

nebo jako váţenou absolutní průměrnou odchylku: p x x n i i i 1 d i p (3) i 1 n i popř. jako relativní průměrnou odchylku: d i d i 100 (4) x Vlastní hodnotu integrovaného indikátoru regionálních disparit pak určíme pomocí následující rovnice: INI P p i 1 n d i i (5) kde: IN P integrovaný indikátor vypočtený pomocí průměrné odchylky Máme-li k dispozici [k] různých hodnot jednotlivých indikátorů s četností [n i ], pak k výpočtu nepouţijeme rovnici (5), ale rovnici (6): k d i ni i 1 INI P k (6) n i 1 i Nevýhodou tohoto přístupu je zejména nemoţnosti určit průměrnou hodnotu celkového souboru z průměrných odchylek, jeţ byly určeny pro jednotlivé soubory indikátorů, tj. z dílčích průměrných odchylek. Ačkoliv se v rámci statistické praxe pro výpočet průměrné odchylky nejčastěji vyuţívá výše uvedený postup, tj. stanovení odchylky od aritmetického průměru, je zapotřebí říci, ţe samotní statistikové většinou upřednostňují metodu zaloţenou na výpočtu průměrné odchylky od mediánu. V tomto případě je tedy vyuţívána hodnota kvantitativního statistického znaku, který rozděluje příslušnou statistickou řadu na dvě stejně velké části co do počtu prvků, coţ znamená, ţe hodnoty v jedné skupině jsou menší nebo rovny mediánu a v druhé skupině jsou rovny či větší neţ mediám. Pokud bychom tento postup vyuţili při 13

výpočtu hodnoty průměrné odchylky, pak bychom byli nuceni upravit např. rovnici (2) do následující podoby: d i p i 1 x ~ x i n i (7) kde: x ~ medián BODOVÁ METODA Východiskem bodové metody, jejímţ autorem je americký matematik M. K. Bennet, je nalezení regionu, jenţ v případě analyzovaného indikátoru dosahuje buďto maximální, nebo naopak minimální hodnoty. Zatímco minimální hodnota je brána v potaz v okamţiku, kdy je za progresivní označován pokles příslušného indikátoru, maximální hodnotu vyuţíváme v opačném případě, tj. v situaci, kdy je za progresi povaţován růst hodnoty příslušného indikátoru. Tento region je pak v rámci bodového hodnocení oceněn 1.000 bodů, přičemţ ostatní regiony jsou ohodnoceny body v intervalu o 0 do 1.000, a to v závislosti na výši promile, kterou činí hodnota jejich vlastního indikátoru z dříve stanovené kriteriální hodnoty. Pokud je za kritérium povaţována hodnota minimální, pak se, zcela v souladu s logikou věci, v rámci výpočtu vyuţívá převrácená hodnota tohoto poměru. Bodovou hodnotu příslušného indikátoru tak v případě maxima určíme pomocí rovnice: kdeţto v případě minima pomocí rovnice: x ij B ij (8a) x i max x i min B ij (8b) x ij kde: B ij bodová hodnota i-tého indikátoru pro j-tý region x ij hodnota i-tého indikátoru pro j-tý region x imax maximální hodnota i-tého indikátoru x imin minimální hodnota i-tého indikátoru Sečtením takto vypočtených bodů pak dospějeme k finální hodnotě souhrnného indikátoru, který vypovídá o sledované úrovni regionu a jenţ tak můţeme vyuţít ke stanovení míry disparit vznikajících mezi jednotlivými regiony. Dá se tedy říci, ţe za hlavní výhodu této metody můţeme označit její schopnost shrnout do jedné syntetické charakteristiky, jiţ je bezrozměrné číslo, indikátory, které jsou zachyceny 14

v různých měrných jednotkách. Ačkoliv tato charakteristika, kterou budeme označovat jako integrovaný indikátor vypočtený pomocí bodové metody (IN B ), nemá reálný smysl, dá se říci, ţe v našem případě tento nedostatek není na závadu. Prostřednictvím takto získaného syntetického indikátoru můţeme následně stanovit jak pořadí jednotlivých regionů, tak můţeme určit celkové či pouze dílčí regionální rozdíly, díky čemuţ dospějeme k závěru, ţe buďto region A celkově zaostává za regionem B, nebo je jejich úroveň stejná, přičemţ region A dosahuje lepších výsledku u indikátoru x, kdeţto region B u indikátoru y. Místo pouhého prostého součtu bodů, pak můţeme příslušný integrovaný indikátor vypočíst také pomocí váţeného aritmetického průměru počtu bodů, které jednotlivé regiony za příslušné indikátory získaly. V tomto případě k výpočtu souhrnného indikátoru vyuţijeme následující rovnici: p 1 INI B ; j B ij (9) p i 1 kde: p počet indikátorů Pomocí takto stanoveného integrovaného indikátoru můţeme následně určit pořadí regionů dle míry regionálních disparit, popřípadě stanovit jednotlivé meziroční rozdíly. Při praktickém vyuţití bodové metody je pak kromě výše uvedeného postupu vyuţívána také jedna ze dvou následujících modifikací této techniky výpočtu souhrnného indikátoru: kriteriální hodnota indikátoru není stanovena na základě maxima či minima dosaţeného v rámci analytiky sledované skupiny regionů, ale pomocí hodnoty příslušného indikátoru dosaţené v jednom konkrétně stanoveném regionu, jenţ je tak zpravidla povaţován za region, který se vyznačuje optimálním vývojem. V případě této modifikace, pak můţe bodová hodnota daného indikátoru přesáhnout hranici 1.000 bodů. kriteriální hodnota indikátoru je předem stanovena, a to na základě expertního odhadu příslušného analytika. Zpravidla se tedy jedná o analytikem stanové optimum, jehoţ by měl daný subjekt u příslušného indikátoru dosáhnout. Také v tomto případě nemůţeme hodnotu integrovaného indikátoru ohraničit 1.000 bodů. Na závěr této části se pak jeví jako vhodné poznamenat, ţe např. český statistik Jaroslav Jílek se domnívá, ţe vhodný výběr indikátorů a vhodné určení jejich počtu můţe stanovit váhy dílčích částí indexu, takţe není zapotřebí určovat váhy jednotlivých indikátorů. K tomuto závěru pak autor dospěl na základě předpokladu, ţe příslušný souhrnný indikátor bude sloţen z několika skupin indikátorů, do nichţ budou zahrnuty různé počty indikátorů. 15

METODA NORMOVANÉ PROMĚNNÉ Třetí statisticko-matematickou metodou, jiţ můţeme vyuţít při konstrukci souhrnného indikátoru, je metoda normované proměnné, kterou lze vyjádřit pomocí následujících rovnic: u ij x x ij i max (10a) s x i resp.: u ij x i min ij (10b) s x x i kde: u ij normovaná veličina i-tého indikátoru pro j-tý region s x i směrodatná odchylka i-tého indikátoru I v tomto případě můţeme normovanou proměnnou označit za bezrozměrnou veličinu, která má jak nulový, tak jednotkový průměr, z čehoţ vyplývá, ţe takto vypočtené veličiny lze bez problémů sčítat. Pro potřeby námi řešené problematiky se jako vhodné jeví pouţití průměrné hodnoty normované proměnné, neboť tímto způsobem odstraníme problémy, jeţ vznikají v okamţiku, kdy při porovnání výsledků pouţíváme různé počty indikátorů. Vlastní integrovaný indikátor vypočtený pomocí metody normované proměnné (IN N ), tak vypočteme pomocí následující rovnice: p 1 INI N ; j u ij (11) p i 1 Pokud tuto metodu srovnáme s výše uvedenou bodovou metodou, pak dospějeme k závěru, ţe za její hlavní výhodu můţeme označit zejména to, ţe přihlíţí k relativní proměnlivosti indikátorů zahrnutých do příslušného indexu, díky čemuţ potírá absolutní proměnlivost, s níţ počítá bodová metoda. Za nevýhodu tohoto vědeckého přístupu k hodnocení regionálních disparit pak můţeme označit nemoţnost jejího pouţití v okamţiku, kdy je naším záměrem vyuţít při komparaci podílové veličiny. Jinými slovy řečeno, pomocí této metody nejsme schopni dospět k závěru, ţe region A zaostává za regionem B. METODA VZDÁLENOSTI OD FIKTIVNÍHO BODU Další z námi navrţených metod je metoda vzdálenosti od fiktivního objektu. Tato technika je postavena na předpokladu, ţe příslušný analytický tým má zcela jednoznačnou představu o tom, jaká by měla být konkrétní hodnota sledovaných indikátorů, díky čemuţ je schopen vytvořit podobu optimálního regionu. Tento region tak zahrnuje buďto maximální či 16

minimální hodnoty jednotlivých indikátorů, jichţ bylo dosaţeno v regionech zahrnutých do analýzy, nebo týmem jednoznačně stanovené optimální hodnoty. Při vyuţití této metody tak jsou příslušné indikátory nejprve vyjádřeny v normovaném tvaru a následně je vypočtena Euklidovská vzdálenost jednotlivých regionů od abstraktního optimálního regionu. Pro výpočet integrovaného indikátoru postaveného na metodě vzdálenosti od fiktivního bodu (IN F ) tak vyuţijeme následující vzorec: 1 INI (12) p 2 F ; j ( u ij u i 0 ) p i 1 kde: u io optimální normovaná veličina, při jejímţ výpočtu je maximum, resp. minimum nahrazeno optimem Pouţijeme-li k výpočtu integrovaného indikátoru výše uvedenou rovnici, pak je zapotřebí říci, ţe tento indikátor bude nabývat hodnot větších, popř. rovných nule, přičemţ platí, ţe čím vyšší bude jeho hodnota, tím větší bude rozdíl mezi skutečným a optimálním regionem. Tentýţ postup můţe analytický tým pouţít v obráceném pořadí, tj. ustanovit nejhorší region a s tímto outsiderem porovnat regiony ostatní. Také v tomto případě bude index nabývat pouze kladných hodnot, coţ nám umoţňuje vyuţít tento postup jak při porovnávání rozdílem, tak při porovnávání podílem. METODA SOUHRNNÉHO INDEXU Poslední metodou, kterou můţeme vyuţít při výpočtu souhrnného indikátoru regionální disparit, je metoda souhrnného indexu, coţ je poměrné číslo, s jehoţ pomocí jsme schopni komparovat soubor jak extenzivních (nesčitatelných), tak intenzivních (nezprůměrovatelných) veličin, a to nejen z hlediska časového, ale také z hlediska místního a věcného. V okamţiku, kdy pomocí těchto indexů porovnáváme indikátory, jeţ lze zařadit mezi extenzivní veličiny, hovoříme o objemových souhrnných indexech, kdeţto v případě, ţe jejich součástí jsou intenzivní veličiny, hovoříme o souhrnných indexech úrovňových. K vlastní konstrukci souhrnného indexu mohou analytikové vyuţít jeden ze dvou níţe uvedených postupů: souhrnný index získají zprůměrováním individuálních indexů jednotlivých poloţek zkoumaného souboru indikátorů, díky čemuţ získají průměrový index, souhrnný index získají pomocí agregace různorodých extenzivních a intenzivních veličin, přičemţ k tomuto účelu vyuţijí váhy, jeţ stanoví buďto na základě svého vlastního expertního odhadu, nebo tím, ţe převezmou běţně váhy, jeţ byly pouţity v odborné literatuře v minulosti. Tímto způsobem získávají analytici agregátní indexy. Vyjdeme-li z názorů odborníků, pak dospějeme k závěru, ţe obě výše uvedené koncepce měly a mají celou řadu svých zastánců a odpůrců. Zaměříme-li svou pozornost pouze na pozitiva výše uvedených metod, pak můţeme konstatovat, ţe v případě průměrových indexů 17

se jedná zejména o jejich formální vlastnosti, kdeţto u agregátních indexů patří k jejich přednostem jejich snazší věcná interpretace, pročeţ se nám v případě hodnocení regionálních disparit jako vhodnější jeví vyuţití metody agregátního souhrnného indexu. Vlastní hodnotu integrovaného indikátoru vypočteného pomocí metody souhrnného indexu (IN S ) pak získáme pomocí následujícího vzorce: p INI n x (13) S ; j i 1 ij iji kde: n váha i-tého indikátoru 18

2. ANALÝZA VÝVOJE REGIONŮ ČESKÉ REPUBLIKY V LETECH 2000-2008 Jelikoţ se nám z hlediska hodnocení regionálních rozdílů jeví jako významné tři základní sféry, a to sféra sociální, ekonomická a územní, budeme v následující části této studie věnovat výše uvedené problematice bliţší pozornost. Vzhledem k tomu, ţe tyto tři sféry povaţujeme za subsystémy 1. řádu a dále je členíme na subsystémy 2. řádu, které jsou následně tvořeny jak soustavou deskriptorů (3. řád), tak zejména souborem primárních a sekundárních indikátorů (4. řád), jeţ slouţí k výpočtu jednotlivých integrovaných indikátorů vypovídajících o sociálních, ekonomických a územních rozdílech mezi jednotlivými regiony, povaţujeme v tomto okamţiku za vhodné provést podrobnější analýzu vývoje, jímţ tyto indikátory v letech 2000-2008 v jednotlivých krajích prošly. Z celkové skupiny primárních a sekundárních indikátorů zahrnutých do jednotlivých sfér v rámci našeho prvotního výběru pak zaměříme svou pozornost pouze na ty, jeţ budou následně vyuţity při výpočtu námi navrţených integrovaných indikátorů. 2.1 SOCIÁLNÍ SFÉRA Sociální sféra je v rámci námi navrţené soustavy indikátorů rozčleněna do pěti integrovaných indikátorů, jimiţ jsou: integrovaný indikátor ţivotní úroveň (INI1), integrovaný indikátor zdravotní stav (INI2), integrovaný indikátor sociální vybavenost (INI3), integrovaný indikátor bydlení (INI4) a integrovaný indikátor sociální patologie (INI5). Mezi indikátory zachycující ţivotní úroveň pak řadíme čistý disponibilní důchod na obyvatele, vybavenost bytových domácností automobilem a vybavenost bytových domácností počítačem. Pro zachycení zdravotního stavu povaţujeme za nejvýznamnější indikátory naděje doţití při narození, a to jak pro muţe, tak pro ţeny, průměrné procento pracovní neschopnosti a incidence novotvarů celkem na 100 tis. obyvatel. Integrovaný indikátor sociální vybavenosti je tvořen počtem lékařů na 10 tis. obyvatel, počtem lůţek v nemocnicích na 10 tis. obyvatel, počtem míst v zařízeních sociální péče na 10 tis. obyvatel a počtem středisek pro volný čas dětí a mládeţe na 10 tis. obyvatel. Bydlení poměřujeme pomocí počtu cenzových domácností na jeden trvale obydlený byt, počtu osob v trvale obydlených bytech na jednu obytnou místnost a velikosti obytné plochy na osobu v metrech čtverečních. Pro zachycení sociální patologie pak pouţíváme indikátory podíl domácností s čistým měsíčním příjmem pod hranicí ţivotního minima, počet zjištěných trestných činů na 1 tis. obyvatel a počet dopravních nehod na jeden kilometr silnic. Jak je z výše uvedeného zřejmé z původních 2 primárních a 36 sekundárních indikátorů jsme pro konstrukci integrovaných indikátorů zachycujících vývoj v sociální sféře zvolili 17 sekundárních indikátorů, jejichţ vývoj si popíšeme v následující částí této studie. 19

ŢIVOTNÍ ÚROVEŇ V oblasti ţivotní úrovně povaţujeme za nejvýznamnější indikátor indikátor čistý disponibilní důchod domácností na obyvatele (dále také ČDDD na obyv.), jenţ zachycuje celkový očištěný objem finančních prostředků, který mohou jednotlivci vyuţít buďto na nákup statků a sluţeb slouţících k uspokojení jejich individuálních potřeb, nebo je uloţit ve formě důchodů, které mohou být následně pouţity na pořízení či likvidaci finanční a nefinančních aktiv či na splacení, popř. zvýšení závazků. ČDDD na obyv. tak výrazně ovlivňuje spotřebitelské výdaje a jejich prostřednictvím také domácí poptávku. Podíváme-li se na vývoj čistého disponibilního důchodu domácností na obyvatele v jednotlivých krajích České republiky, pak dospějeme k závěru, ţe v letech 2000 aţ 2008 dosahovalo stabilně nejvyšších hodnot Hl. město Praha, v jehoţ případě, dosahoval příslušný indikátor průměrné výše 191.620 korun, coţ znamená, ţe tento kraj se dlouhodobě nacházel na 138,32 % průměrné hodnoty daného indikátoru v ČR. Také druhá a třetí pozice byla dlouhodobě stabilní. Druhé nejvyšší hodnoty ČDDD na obyv. dosahoval v letech 2000-2008 pravidelně Středočeský kraj (149.943 korun, tj. 108,23 % průměru) a třetí nejvyšší hodnoty kraj Plzeňský, v jehoţ případě měli jeden obyvatel k dispozici v průměru 141.751 korun (102,32 %). Tyto tři regiony byly také jedinými regiony, které v daném období dosahovaly nadprůměrných hodnot ČDDD na obyv. Za regiony s nejniţší hodnotou čistého disponibilního důchodu domácností na obyvatele pak můţeme označit Karlovarský kraj (128.926 CZK a 93,06 %), Moravskoslezský kraj (127.962 CZK a 92,37 %) a Ústecký kraj (125.453 a 90,56 %), coţ znamená, ţe v letech 2000-2008 mohl kaţdý obyvatel Ústeckého kraje vyuţít na nákup statků a sluţeb slouţících k uspokojení jejich individuálních potřeb, nebo uloţit ve formě důchodů v průměru o 66.167 korun méně neţ obyvatel Hl. města Prahy. V procentním vyjádření to pak znamená, ţe ČDDD na obyv. v Ústeckém kraji dosahoval pouhých 65,47 % hodnoty tohoto indikátoru v Hl. městě Praze. Tabulka 1 Čistý disponibilní důchod domácností na 1 obyvatele (CZK) kraj 2000 2001 2002 2003 2004 2005 2006 2007 2008 Hl. město Praha 151 349 162 908 170 127 180 728 186 283 193 373 211 978 225 900 241 931 Středočeský kraj 118 464 123 886 133 055 140 392 146 679 151 789 164 638 179 024 191 561 Jihočeský kraj 110 479 115 858 119 042 126 844 132 088 138 853 151 238 162 487 175 146 Plzeňský kraj 113 516 121 878 126 242 130 780 137 859 143 998 153 216 167 602 180 669 Karlovarský kraj 110 772 112 125 116 067 121 335 123 751 129 180 138 167 148 926 160 015 Ústecký kraj 103 700 108 838 111 063 116 253 120 343 126 722 137 857 145 918 158 384 Liberecký kraj 108 750 115 097 119 681 122 837 128 849 134 762 144 345 155 779 166 471 Královéhrad. kraj 113 978 119 901 124 432 125 788 131 289 139 963 150 385 162 628 174 762 Pardubický kraj 104 333 109 916 115 856 120 381 128 215 136 484 145 823 158 727 171 534 Vysočina 103 398 110 557 118 664 123 803 130 339 134 688 146 334 160 757 171 155 Jihomoravský kraj 109 602 116 340 119 507 124 281 132 582 140 424 147 718 164 461 176 660 Olomoucký kraj 103 700 109 592 115 868 120 202 124 709 130 294 141 758 154 893 165 895 Zlínský kraj 106 399 112 394 117 199 122 482 126 357 134 459 149 044 161 884 173 167 Moravskosl. kraj 103 183 109 103 113 362 116 853 121 989 130 971 138 374 152 049 165 773 průměr 111 545 117 742 122 869 128 069 133 667 140 426 151 491 164 360 176 652 Pramen: Český statistický úřad 20

Pokud bychom z našeho srovnání vyloučili Prahu, pak bychom dospěli k závěru, ţe vyšší neţ průměrné úrovně čistého disponibilního důchodu na obyvatele dosahují, kromě jiţ výše uvedeného Středočeského a Plzeňského kraje, také kraj Královéhradecký, Jihočeský a Jihomoravský. Z hlediska dynamiky růstu se jako nejúspěšnější jeví kraj Zlínský, kde průměrné tempo růstu tohoto indikátoru dosahovalo v letech 2000 a 2008 hodnoty 6,73 % a dále pak kraj Vysočina (6,68 %) a Hl. město Praha (6,47 %). Naopak nejniţší průměrné tempo růstu ČDDD na obyv. můţeme zaznamenat u Královéhradeckého (5,65 %), Libereckého (5,55 %) a Karlovarského kraje (5,10 %). Tabulka 2 Vybavenost bytových domácností automobilem kraj 2000 2001 2002 2003 2004 2005 2006 2007 2008 Hl. město Praha... 238 898. 307 202. 333 650 332 970 Středočeský kraj... 238 242. 305 550. 319 600 329 039 Jihočeský kraj... 137 691. 176 586. 165 299 176 450 Plzeňský kraj... 121 549. 149 600. 155 540 157 564 Karlovarský kraj... 54 298. 74 759. 73 308 76 216 Ústecký kraj... 144 080. 162 576. 184 475 186 495 Liberecký kraj... 80 565. 97 842. 105 981 102 367 Královéhrad. kraj... 115 136. 134 714. 141 219 148 303 Pardubický kraj... 102 635. 121 030. 124 029 133 592 Vysočina... 107 279. 121 613. 133 788 138 568 Jihomoravský kraj... 203 997. 235 960. 268 947 278 415 Olomoucký kraj... 110 660. 132 748. 137 569 152 228 Zlínský kraj... 104 768. 122 005. 136 097 142 452 Moravskosl. kraj... 209 123. 239 994. 263 844 270 577 průměr... 140 637. 170 156. 181 668 187 517 Pramen: Český statistický úřad a Regionální informační servis Mezi indikátory zachycující ţivotní úroveň obyvatel jednotlivých regionů České republiky jsme zařadili také vybavenost domácností automobilem, neboť tento indikátor, dle našeho názoru, do jisté míry reprezentuje úroveň propojení společenského a individuálního ţivota. Vyjdeme-li z údajů zachycených v tabulce 2, pak dospějeme k závěru, ţe nejvyšší počet domácností vybavených v letech 2003-2008 alespoň jedním automobilem se nacházel v Hl. městě Praze (v průměru 303.180 domácností), která tak o téměř 80 p. b. převyšovala průměrnou úroveň tohoto indikátoru ve všech 14 regionech České republiky. Na pomyslném druhém místě se umístil Středočeský kraj (298.108 domácností a 175,36 %), jenţ byl následován krajem Jihomoravským s 246.830 domácnostmi vybaveným alespoň jedním automobilem (145,20 %). Hranici průměru pak překročili ještě Severomoravský kraj, a to o 44,64 p. b., coţ značí, ţe v tomto regionu vlastnilo alespoň jeden automobil 245.884 domácností. Na druhé straně spektra se pak nacházel Pardubický, Liberecký a Karlovarský kraj, kde byl počet automobilů na jednu domácnost o 233,5 tis. vozidel niţší neţ v Hl. městě Praze, z čehoţ vyplývá, ţe tento kraj se u daného indikátoru nacházel na 22,97 % úrovně tohoto regionu. 21

Vzhledem k tomu, ţe námi analyzovaná časová řada není řadou souvislou, jsme v tomto případě schopni posoudit pouze dynamiku růstu daného indikátoru mezi roky 2007 a 2008. Pokud se na toto období zaměříme, pak dospějeme k závěru, ţe v roce 2008 vzrostla vybavenost bytových domácností automobilem nejrychleji v Olomouckém kraji, a to o 10,66 procentních bodů. Tento region se tak stal jediným kraje v České republice, který v tomto roce zaznamenal dvouciferný růst. S určitým odstupem se za Olomouckým krajem drţel kraj Pardubický, kde tempo růstu vybavenosti bytových domácností automobilem dosahovalo výše 7,71 %, a kraj Jihočeský, v jehoţ případě vzrostla vybavenost o 6,75 %. Naopak nejniţší dynamiku růstu vykazoval Ústecký kraj s 1,10 % a dále pak Hl. m. Praha (-0,20 %) a zejména pak Liberecký kraj s -3,41 %. Podobně jako v případě vybavenosti domácností automobilem, také v případě jejich vybavenosti počítačem se bohuţel musíme potýkat s neúplnou časovou řadou, coţ nám do jisté míry komplikuje naši analýzu. Přesto však můţeme konstatovat, ţe nejvyšší počet domácností vybavených počítačem, a to bez ohledu na připojení k internetu, se v letech 2003-2008 nacházel v Hl. městě Praze, kde mělo PC k dispozici 265.556 domácností, coţ je 224,26 % průměru, a dále pak ve Středočeském a Jihomoravském kraji, kde mohlo počítač doma vyuţívat 189.971 (160,43 %), resp. 183.606 (155,05 %) domácností. Mezi regiony s nejmenším počtem domácností vybavených PC můţeme opět zařadit Karlovarský a Liberecký kraj a nově také kraj Vysočina. V případě Karlovarského kraje pak dospějeme k závěru, ţe tento dosahoval 42,01 % průměru všech 14 regionů a pouhých 18,73 % úrovně Hl. města Prahy. Tabulka 3 Vybavenost bytových domácností počítačem kraj 2000 2001 2002 2003 2004 2005 2006 2007 2008 Hl. město Praha... 112 463. 285 683. 318 504 345 574 Středočeský kraj... 62 221. 184 637. 244 015 269 010 Jihočeský kraj... 33 614. 107 251. 121 110 126 486 Plzeňský kraj... 29 399. 93 295. 109 272 124 403 Karlovarský kraj... 15 120. 51 333. 63 284 69 241 Ústecký kraj... 38 249. 116 975. 156 335 177 767 Liberecký kraj... 22 588. 76 159. 81 845 92 474 Královéhrad. kraj... 31 106. 75 314. 106 600 119 882 Pardubický kraj... 26 078. 68 880. 91 766 110 546 Vysočina... 24 769. 84 581. 96 030 107 004 Jihomoravský kraj... 66 176. 197 559. 225 467 245 221 Olomoucký kraj... 31 380. 85 518. 115 538 127 705 Zlínský kraj... 31 901. 96 822. 115 568 125 166 Moravskosl. kraj... 61 456. 166 708. 224 171 244 042 průměr... 41 894. 120 765. 147 822 163 180 Pramen: Český statistický úřad a Regionální informační servis Krajem vyznačujícím se v roce 2008 nejvyšší průměrnou dynamikou růstu byl kraj Pardubický, kde počet domácností vybavených počítačem vzrostl o 20,47 %. Na pomyslném druhém místě se v tomto roce umístil kraj Plzeňský s 13,85 %, jenţ byl těsně následován krajem Ústeckým, kde tempo růstu dosáhlo výše 13,71 procent. K nejmenšímu nárůstu počtu 22